Тест, свързан с ръководство · Среден Ниво

Тест за представяне на пирамидални мрежи

Тествайте сливането на характеристики отгоре надолу и настрани на FPN, специфични за мащаба нива, повишаване на дискретизацията от най-близкия съсед и използване при откриване на многомащабни обекти.

Свързани ръководни пътекиПредставете пирамидални мрежи
Въпрос 1 на 8

Какъв основен проблем решава основно мрежата с пирамида на функции?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какъв основен проблем решава основно мрежата с пирамида на функции?
    • Откриване на обекти, които се появяват в много различни мащаби
    • Намаляване на броя на необходимите изображения за обучение
    • Премахване на дублирани ограничителни полета след откриване
    • Компресиране на модели за мобилно внедряване
  2. В сравнение с изграждането на пирамида на изображения (преоразмеряване и повторно стартиране на мрежата), FPN е основно предимство, защото:
    • Изобщо не изисква опорна мрежа
    • Използва повторно функции, които вече са изчислени в мрежата, спестявайки изчисления
    • Елиминира нуждата от каквито и да е навивки
    • Работи само върху изображения в сива скала
  3. При FPN каква е ролята на пътя отгоре надолу?
    • Той отхвърля функции с ниска разделителна способност
    • Той преобразува изображения в характерни вектори само за класификация
    • Той носи семантично богати, дълбоки характеристики до по-високи разделителни способности
    • Той извършва не-максимално потискане
  4. Как обикновено се комбинират страничните връзки с функциите отгоре-надолу с повишена дискретизация?
    • Свързани по канали и след това наполовина
    • Умножено по елементи след softmax
    • Изваден за изчисляване на карта на разликата
    • Добавено по елементи след намотка 1x1, подравнява каналите
  5. Защо се прилага намотка 3x3 към всяка обединена карта на функции във FPN?
    • За изглаждане на картата и намаляване на псевдонимите от повишаване на дискретизацията
    • За да намалите наполовина пространствената разделителна способност
    • За да класифицирате изображението в категории
    • За директно преобразуване на елементи в координати на ограничителна кутия
  6. Коя по-късна архитектура разшири FPN с обучимо, претеглено двупосочно сливане?
    • AlexNet
    • BiFPN, използван в EfficientDet
    • LeNet-5
    • Word2Vec
  7. How is a top-down FPN feature map typically resized before lateral fusion?
    • Downsampled to a single pixel
    • Rotated 90 degrees
    • Upsampled by a factor of two using nearest-neighbor interpolation
    • Converted into a text sequence
  8. What does an FPN preserve by merging shallow high-resolution features with deeper semantic features?
    • Only the original image colors
    • Only the deepest layer’s low-resolution grid
    • The exact training labels without feature extraction
    • Fine spatial detail together with stronger semantic information